CN106645384A - 一种管道漏磁内检测器数据的自适应滤波方法 - Google Patents

Abstract

本发明提供一种管道漏磁内检测器数据的自适应滤波方法，涉及管道故障诊断技术领域。该方法利用管道内检测器装置采集漏磁信号，并进行放大存储，转化为实际数字电压信号，对该数字电压信号进行基线校正，然后对异常数据进行查找、剔除和补偿；进行单通道信号分类，对不同的信号类别采取相应的单通道自适应滤波算法进行线滤波；通过对比和分析相邻通道间噪声影响的程度，进行漏磁信号多通道均衡化；再进行多通道信号区域分类，对不同的信号区域采取相应的多通道自适应滤波算法进行面滤波。本发明提供的方法使管道寿命预测更加准确，管道故障诊断时更加易于特征提取，滤波效果明显，并具有快速精准的大数据处理功能。

Description

一种管道漏磁内检测器数据的自适应滤波方法

技术领域：

本发明涉及管道故障诊断技术领域，尤其涉及一种管道漏磁内检测器数据的自适应滤波方法。

背景技术：

石油和天然气等是具有流体特性的不可再生资源，又因其没有一定的形状，管道运输在不受气候骤变和环境突变的影响的同时还可以跨越长距离大量运输，因此管道运输成为运输石油和天然气等流体的必然选择。当油气输送过程中，发生管道泄漏尤其爆管时，轻则造成经济损失，能源损失，对生态环境造成不利影响，重则会造成人员伤亡，管道运输的泄漏检测与管道维护是管道运输的重要难题之一。

在国内外范畴上，行业公认且行之有效的安全检测最有效手段就是管道内检测技术，即为无损检测技术，而不同于任何以往的破坏性检测。该检测技术就是在不破坏管道化学性质和原有状态的基础上，能够获取管道特征的检查方法。管道内检测器装置借助管道内介质的物理流动作用作为动力在管道内移动。当内检测装置在管道中被取出后，再针对于检测器所采集到的完整数据结构进行分析和处理。并且经过相应计算得到管道被腐蚀的缺陷形状和具体所处位置信息。因此，管道内检测技术能够攻克所检测管道的缺陷位置难题，不仅能够准确定位，而且还能够实现实时预警，并且能够识别出缺陷的类型甚至大小，进而在维护管道方面提供了强而有力的科学依据与特征提取方法，在很大程度上避免了管道的盲目维修，大大地减少了管道维修所花费的人力和物力等。管道内检测机器人主要通过直接无损的方法对管道进行在线检测，其在管道中行走前进的动力为管道输送介质，通过对采集到的数据进行处理分析得出管道的变形、缺陷、腐烛、裂纹程度情况并且能够对其进行准确定位。管道无损检测在管道安全工程中能够准确无误定位到管道缺陷部位，详细了解到管道运行状况，是保证管道科学高效与安全有效运营的方法。通过采用科学有效地无损检测手段实现了管道的寿命预测，延长管道的使用寿命以及故前预防，并且经济效益也得到了大大提升。

然而管道内检测器在采集管道漏磁数据过程中，会掺杂各种各样的噪声信号。即使抑制了外界干扰源，在漏磁检测装置采集数据的整个过程中差不多依然会出现噪声，其中有少量的系统噪声，大多数为随机噪声。从漏磁信号滤波根源来说，滤波方法均为低通滤波算法。低通滤波算法本身是一把双刃剑，它不仅可以实现漏磁信号噪声滤除，而且能够消除漏磁信号中部分有用高频信息。以此看来，我们在研究每种去噪方法的过程，本质上就是在保留高频信息与去噪之间进行权衡。现有漏磁数据滤波技术存在很多不足之处，例如现有管道寿命预测不准，管道故障诊断时难于进行特征提取，滤波效果不明显等问题。

发明内容：

针对现有技术的缺陷，本发明提供一种管道漏磁内检测器数据的自适应滤波方法，使管道寿命预测更加准确，管道故障诊断时更加易于特征提取，滤波效果明显，并具有快速精准的大数据处理功能。

一种管道漏磁内检测器数据的自适应滤波方法，包括以下步骤：

步骤1：利用管道内检测器装置采集漏磁信号，进行放大处理后存储，并将其转化为电压信号，进行基值校正缩放复原，再进一步转换为实际数字电压信号；

步骤2：用改进的平均中值校正方法对步骤1输出的数字电压信号进行基线校正，具体步骤如下：

步骤2-1：将可能存在的缺陷信号去除掉，允许去除掉比缺陷信号范围更大的信号数据，尽可能只保留无缺陷处的表示磁场强度的漏磁信号数据；

步骤2-2：按公式对轴向漏磁信号进行基线校正，得到校正后的轴向漏磁信号矩阵X∈R^p×q，其中，q为管道内检测器中的轴向霍尔传感器个数，p为每个霍尔传感器的数据总里程点数，V_v(u)′为第v个霍尔传感器在第u个里程点处检测到的校正后的电压值，V_v(u)为第v个霍尔传感器在第u个里程点处检测到的校正前的电压值，V_v为第v个霍尔传感器检测到的p个电压值的中值；

步骤3：用变尺度窗插值拟合算法对步骤2输出的漏磁信号进行异常数据的查找、剔除和补偿，具体步骤如下：

步骤3-1：读取基线校正后的单通道漏磁数据，设计1×g的变尺度滑动窗，g为滑动窗的宽度；

步骤3-2：将滑动窗从单通道漏磁数据首端到数据末端进行滑动，通过滑动窗中的数据差值拟合出下一点，将这个点再和实际的点进行比较得到差值，将该差值和预设阈值进行比较，如果差值比预设阈值大，则判定为是异常点，反之，则为正常点；

步骤3-3：如果单通道漏磁数据本身存在很多异常点，则会记录很多的离散异常点，若这些异常点离得很近，则认为其间的数据有可能也无效，需要对所有的离散异常点进行重组；对数据进行邻近插值计算，如果两个异常点之间数据少于两个，则将其合并为一段，反之，则不进行重组；

步骤3-4：利用三次样条插值对异常数据进行补偿，输出补偿后的漏磁信号；

步骤4：用基于阈值的方法对步骤3输出的漏磁信号进行单通道信号分类，将其中的非管道部件漏磁信号分为无缺陷信号、小波动信号和大缺陷信号，具体步骤如下：

步骤4-1：设漏磁信号峰值阈值为σ，若某通道漏磁信号峰值超过σ，则该通道内的对应位置为焊缝，并向左右两边的数据各扩充一个宽度ε，为该管道的管道部件漏测信号，剩余的数据为非管道部件漏磁信号；

步骤4-2：将海量非管道部件漏磁信号数据进行数据分割，分段进行处理，分别对每段数据利用求中值乘系数θ₁(θ₁＞1)的方法自动计算自适应阈值λ₁，λ₁用于区分漏磁信号是否含缺陷，如果非管道部件漏磁信号数据没有超过阈值λ₁，则该漏磁信号数据是无缺陷漏磁信号，记为ψ₁，如果非管道部件漏磁信号数据超过阈值λ₁，则该漏磁信号数据是疑似有缺陷的漏磁信号，记为ψ₁′；

步骤4-3：对疑似有缺陷的漏磁信号ψ₁′进行信号段扩展，在扩展后的信号段中寻找波谷值与波峰值，再求最大波谷差，然后根据机器学习得到小缺陷信号的峰谷差，即自适应阈值λ₂，λ₂用于判断疑似有缺陷的漏磁信号的波动情况，如果扩展后的信号段中的漏磁信号数据没有超过λ₂，则该漏磁信号数据是小波动信号，记为ψ₂，如果扩展后的信号段中的漏磁信号数据超过λ₂，则该漏磁信号数据是大缺陷信号，记为ψ₃；

步骤4-4：当该管道的全部非管道部件漏磁信号分类处理完毕后，信号段间会出现重叠现象，需重新标定，将ψ₂与ψ₁重叠部分归为ψ₂，将ψ₃与ψ₁重叠部分归为ψ₃，将ψ₃与ψ₂重叠部分归为ψ₃；

步骤4-5：判断是否所有管道均完成漏磁信号分类处理，若没有完成，则返回步骤4-1至步骤4-4，对下一管道进行漏磁信号分类处理，若完成，则执行步骤5；

步骤5：对步骤4中不同的信号类别采取相应的自适应滤波算法进行线滤波，具体步骤如下：

步骤5-1：对无缺陷漏磁信号ψ₁进行线滤波，先通过FFT滤波算法进行粗滤波，直接进行高频段噪声的剔除，再通过中值滤波算法对幅值进行进一步削减，最后通过平滑均值滤波平滑漏磁信号，进行无缺陷信号混合滤波；

步骤5-2：对小波动信号ψ₂进行线滤波，先通过等纹低通滤波算法对缺陷信号进行滤波，再通过贝塞尔滤波算法对幅值进行进一步平滑，进行小波动信号混合滤波；

步骤5-3：对大缺陷信号ψ₃进行线滤波，先通过窗函数法滤波算法对缺陷信号进行滤波，再通过小波滤波算法对幅值进行进一步平滑，进行大缺陷信号混合滤波；

步骤6：通过对比和分析相邻通道间噪声影响的程度，进行漏磁信号多通道均衡化；

步骤7：用基于连通域的方法对步骤6输出的非管道部件漏磁信号进行多通道信号区域分类，分为无缺陷区域、小波动区域和大缺陷区域，具体步骤如下：

步骤7-1：将海量非管道部件漏磁信号数据进行数据分割，分区域进行处理，分别对每区域漏磁信号数据利用求中值乘系数θ₂(θ₂＞1)的方法自动计算自适应区域阈值λ₃，λ₃用于区分该漏磁信号区域是否含有缺陷，如果区域阈值λ₃为0，则该漏磁信号区域为无缺陷区域，记为ψ₄，如果区域阈值λ₃为1，则该漏磁信号区域为疑似有缺陷的区域，记为ψ₄′；

步骤7-2：对疑似有缺陷的区域ψ₄′进行区域扩展，在扩展后的区域中寻找波谷值与波峰值，再求最大波谷差，然后根据机器学习得到小缺陷信号的峰谷差即自适应区域阈值λ₄，λ₄用于判断疑似有缺陷的漏磁信号区域的波动情况，如果区域阈值λ₄为0，则该漏磁信号区域为小波动区域，记为ψ₅，如果区域阈值λ₄为1，则该漏磁信号区域为大缺陷区域，记为ψ₆；

步骤7-3：当该管道的全部非管道部件漏磁信号处理完毕后，信号段间会出现重叠现象，需重新标定，将ψ₅与ψ₄重叠部分归为ψ₅，将ψ₆与ψ₄重叠部分归为ψ₆，将ψ₆与ψ₅重叠部分归为ψ₆；

步骤7-4：判断是否所有管道均完成漏磁信号区域分类处理，若没有完成，则返回步骤7-1至步骤7-4，对下一管道进行漏磁信号区域分类处理，若完成，则执行步骤8；

步骤8：对步骤7中不同的信号区域采取相应的滤波算法进行面滤波，具体步骤如下：

步骤8-1：对无缺陷区域ψ₄进行面滤波，先通过中值滤波算法对幅值进行削减，再通过均值滤波平滑曲线，进行无缺陷区域混合滤波；

步骤8-2：对小波动区域ψ₅进行面滤波，先通过高斯滤波算法对小缺陷区域漏磁信号进行滤波，实现去噪与尽可能大的使缺陷信号不失真，再通过巴特沃斯滤波算法对幅值进行进一步平滑，达到缺陷信号图像增强的效果，进行小波动区域混合滤波；

步骤8-3：对大缺陷区域ψ₆进行面滤波，先通过高斯滤波算法对大缺陷区域漏磁信号进行滤波，再通过小波包滤波算法对幅值进行进一步平滑，进行大缺陷区域混合滤波。

进一步地，所述步骤6的漏磁信号多通道均衡化，具体包括以下步骤：

步骤6-1：选择管道系统n+1条通道中的一个通道为参考通道，其余n条为辅助通道，c_ref(t)和c_i(t)分别为参考通道和第i条辅助通道的固有时域脉冲响应，C_ref(jω)和C_i(jω)分别为参考通道和第i条辅助通道的频域传递函数，其中，i＝1，2，…，n，辅助通道和参考通道的输入信号均为d(t)，第i条辅助通道和参考通道的输出信号分别为信号x_i(t)和y_ref(t)，且分别满足式(1)和式(2)；

步骤6-2：采用窗函数法均衡滤波器进行滤波，使n+1条通道的每个传递函数均能完好的配对，保证通过参考通道的延迟量与通过辅助通道的延迟量相同，即输出信号等效，如式(3)和式(4)所示；

C_ref(jω)×H_ref(jω)＝H_i(jω)×C_i(jω)，i＝1，2，…，n (3)

其中，H_ref(jω)是具有线性相位响应的全通滤波器的传递函数，H_i(jω)表示第i条通道所需的均衡化传递函数；

则第i条通道所需的均衡化传递函数H_i(jω)为式(5)；

第N个滤波器的传递函数由式(6)表示；

其中，h_k表示权重系数；

定义a(ω)＝[1，e^-jω，…，e^-jω(N-1)]^T和h＝[h₁，h₂，…，h_N]^T，a(ω)和h均为N×1向量，a^T(ω)h的结果为自适应均衡化后的频率响应。

选择权重系数向量h使得向量规范γ最小，向量规范γ表示理想滤波器响应与实际获得的响应之间的最小平方差，用式(7)表示；

其中，a(ω_z)表示同一里程点数、不同通道的电压量组成的向量；W_z表示对角权重矩阵，是一个加权矩阵；ω_z表示第z个里程点，H(jω_z)表示同一里程点数、不同通道所需的均衡化传递函数组成的向量。

由上述技术方案可知，本发明的有益效果在于：本发明提供一种管道漏磁内检测器数据的自适应滤波方法，一方面在滤波前对漏磁异常数据进行了查找、剔除与补偿，减轻了滤波负担；另一方面对漏磁数据进行了线滤波和面滤波的结合，滤波失真小，效果理想，滤波的同时能更多地保留有用信息。其中，针对漏磁数据特点，能实现海量漏磁数据区域的划分，有效提高漏磁数据区域划分的准确性和智能化；并能实现漏磁信号多通道均衡化，提高测试设备的使用性能，更加易于缺陷特征提取和定位估测水平；针对不同漏磁数据区域的特点，再结合多种经典滤波算法的特点，提出基于漏磁内检测器的自适应单通道滤波方法和多通道滤波方法，从而快速、精准地完成大数据预处理功能，管道寿命预测准确，管道故障诊断时方便特征提取，滤波效果明显。

附图说明：

图1为本发明实施例提供的管道漏磁内检测器数据的自适应滤波方法总流程图；

图2为本发明实施例提供的管道漏磁信号异常数据中的信号奇异点和缺陷信号曲线示意图；

图3为本发明实施例提供的管道漏磁信号异常数据中的信号缺失点曲线示意图；

图4为本发明实施例提供的管道漏磁信号异常数据的查找、剔除和补偿流程图；

图5为本发明实施例提供的单通道数据分类流程图；

图6为本发明实施例提供的非管道部件漏磁数据分类曲线示意图；

图7为本发明实施例提供的单通道自适应滤波算法示意图；

图8为本发明实施例提供的自适应均衡器流程图；

图9为本发明实施例提供的多通道数据分类流程图；

图10为本发明实施例提供的多通道自适应滤波算法示意图。

具体实施方式：

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

一种管道漏磁内检测器数据的自适应滤波方法，该方法主要包括三大部分：前期处理部分，用于完成采集数据的校正；单通道滤波部分，用于完成线滤波；多通道滤波部分，用于完成面滤波。本实施例提供的一种管道漏磁内检测器数据的自适应滤波方法，如图1所示，具体步骤如下所述。

步骤1：利用管道漏磁内检测器装置采集漏磁信号，对采集信号放大处理后进行存储，并将其转化为电压信号，进行基值校正缩放复原，再进一步转换为实际数字电压信号。

步骤2：用改进的平均中值校正方法对步骤1输出的数字电压信号进行进一步基线校正，使漏磁信号更加易于数据处理，具体步骤如下：

步骤2-1：将可能存在的缺陷信号去除掉，允许去除掉比缺陷信号范围更大的信号数据，尽可能只保留无缺陷处的表示磁场强度的漏磁信号数据；

步骤2-2：按公式对轴向漏磁信号进行基线校正，得到校正后的轴向漏磁信号矩阵X∈R^p×q。其中，q为管道内检测器中的轴向霍尔传感器个数，p为每个霍尔传感器的数据总里程点数，本实施例中，p是采集到的海底管道总里程点数，海底管道长度1米对应500个里程数据；V_v(u)′为第v个霍尔传感器在第u个里程点处检测到的校正后的电压值，V_v(u)为第v个霍尔传感器在第u个里程点处检测到的校正前的电压值；V_v为第v个霍尔传感器检测到的p个电压值的中值，取值在2.5V左右。

管道漏磁信号异常数据示意图，如图2和图3所示。在采集到的数据中，常见的异常数据有两种，一种为信号奇异点，其特点为突然有一个值或连续几个值幅值突然增大很多，一种为信号缺失点，其特点为连续几个值幅值等于基值。

步骤3：用变尺度窗插值拟合算法对步骤2输出的漏磁信号进行异常数据的查找、剔除和补偿，其流程如图4所示，具体步骤如下：

步骤3-1：读取基线校正后的单通道漏磁数据，设计1×g的变尺度滑动窗，g为滑动窗的宽度，取值在4-10之间，本实施例中，g取值为5；

步骤3-2：将滑动窗从单通道漏磁数据首端到数据末端进行滑动，通过滑动窗中的数据差值拟合出下一点，将这个点再和实际的点进行比较得到差值，将该差值和预设阈值进行比较，如果差值比预设阈值大，则判定为是异常点，记录并保存该异常点信息，反之，则为正常点，滑动窗想右移动一个窗口大小的单位；本实施例中，预设阈值设为0.04；

步骤3-3：漏磁数据解析完成后，如果数据本身存在很多异常点，则会记录很多的离散异常点，异常点查找结束后，这些异常点若离得很近，则认为其间的数据有可能也无效，因此需要对所有的离散异常点进行重组；对数据进行邻近插值计算，如果两个异常点之间数据少于两个，即U(i+1)-U(i)＜3，则将其合并为一段，再进行下一组异常点的比较，反之，则不进行重组，继续下一组异常点的比较，直到全部数据完成重组；

步骤3-4：利用三次样条插值对异常数据进行补偿，利用三次样条插值函数将缺失数据补偿回来，输出补偿后的漏磁信号；

步骤4：用基于阈值的方法对步骤3输出的漏磁信号进行单通道信号分类，将其中的非管道部件漏磁信号分为无缺陷信号、小波动信号和大缺陷信号，单通道数据分类流程如图5所示，具体步骤如下：

步骤4-1：由于焊缝处各通道峰值均很高，因此设定漏磁信号峰值阈值为σ，若某通道漏磁信号峰值超过σ，则该通道内的对应位置为焊缝，并向左右两边的数据各扩充一个宽度ε，为该管道的管道部件漏测信号，剩余的数据为非管道部件漏磁信号。

步骤4-2：为了自动识别自适应阈值准确，将海量非管道部件漏磁信号数据进行数据分割，分段进行处理，分别对每段数据利用求中值乘系数θ₁(θ₁＞1)的方法自动计算自适应阈值λ₁，λ₁用于区分漏磁信号是否含缺陷，如果非管道部件漏磁信号数据没有超过阈值λ₁，则该漏磁信号数据是无缺陷漏磁信号，记为ψ₁，如果非管道部件漏磁信号数据超过阈值λ₁，则该漏磁信号数据是疑似有缺陷的漏磁信号，记为ψ₁′；

步骤4-3：对疑似有缺陷的漏磁信号ψ₁′进行信号段扩展，在扩展后的信号段中寻找波谷值与波峰值，再求最大波谷差，然后根据机器学习得到小缺陷信号的峰谷差，即自适应阈值λ₂，λ₂用于判断疑似有缺陷的漏磁信号的波动情况，如果扩展后的信号段中的漏磁信号数据没有超过λ₂，则该漏磁信号数据是小波动信号，记为ψ₂，如果扩展后的信号段中的漏磁信号数据超过λ₂，则该漏磁信号数据是大缺陷信号，记为ψ₃；

步骤4-4：当该管道的全部非管道部件漏磁信号分类处理完毕后，信号段间会出现重叠现象，需重新标定，将ψ₂与ψ₁重叠部分归为ψ₂，将ψ₃与ψ₁重叠部分归为ψ₃，将ψ₃与ψ₂重叠部分归为ψ₃；

步骤4-5：判断是否所有管道均完成漏磁信号分类处理，若没有完成，则返回步骤4-1至步骤4-4，对下一管道进行漏磁信号分类处理，若完成，则执行步骤5。

图6为本实施例中非管道部件漏磁数据单通道数据分类后信号的曲线示意图。

步骤5：对步骤4中不同的信号类别采取相应的自适应滤波算法进行线滤波，本实施例单通道自适应滤波算法为，信号段ψ₁采用无缺陷信号混合滤波算法；信号段ψ₂采用小波动信号混合滤波算法；信号段ψ₃采用大缺陷信号混合滤波算法，如图7所示，具体步骤如下：

步骤5-1：对无缺陷漏磁信号ψ₁进行线滤波；

对于ψ₁，尽可能削弱信号幅度，平滑地滤除此区域信号，使幅值接近基值的平坦信号；FFT方法可以从频谱分析图上直接对高频信号即噪声信号进行滤除，当中值滤波的参数取的较大时，信号幅度也会大幅度减小，同时平滑均值滤波最大的特点就是使信号更加平滑；

先通过FFT滤波算法进行粗滤波，直接进行高频段噪声的剔除，再通过中值滤波算法对幅值进行进一步削减，最后通过平滑均值滤波平滑漏磁信号，通过选取合适的参数，使三种方法完美的结合在一起，进行无缺陷信号混合滤波；

步骤5-2：对小波动信号ψ₂进行线滤波；

对于ψ₂，既有可能是小缺陷又有可能是大幅度噪声信号，若为噪声信号，应达到削减其幅值，类似于处理不含有缺陷的信号的效果，若为小缺陷信号，则应保证平滑信号地情况下使其幅度稍微增大，即图像增强；等纹低通滤波最大的特点就是最大误差最小化，并且其最大逼近误差均匀分布；贝塞尔滤波最大的特点就是失真小，不存在过冲现象，且参数适当时，可使图像增强；通过等纹低通滤波和贝塞尔滤波混合滤波算法处理含有小缺陷信号的数据；

因此先通过等纹低通滤波算法对缺陷信号进行滤波，再通过贝塞尔滤波算法对幅值进行进一步平滑，通过选取合适的参数，使两种方法完美的结合在一起，进行小波动信号混合滤波；

步骤5-3：对大缺陷信号ψ₃进行线滤波；

对于ψ₃，应保证在不失真的情况下，即保证缺陷信号的峰谷差尽量不变，使其更加平滑；窗函数法滤波在滤除噪声的同时，可使图像平滑，且失真较小；小波分析方法能同时在时、频域内对信号进行分析，能有效的区分信号中的缺陷信号和噪声，从而完成含有较大缺陷信号的去噪；

因此先通过窗函数法滤波算法对缺陷信号进行滤波，再通过小波滤波算法对幅值进行进一步平滑，通过选取合适的参数，使两种方法完美的结合在一起，进行大缺陷信号混合滤波。

步骤6：通过对比和分析相邻通道间噪声影响的程度，进行漏磁信号多通道均衡化，本实施例的自适应均衡器进行均衡化的过程如图8所示，信号s₁(t)到s_n(t)是所需的均衡化处理后的信号，具体步骤如下：

步骤6-1：管道系统里有n+1条通道，选择管道系统n+1条通道中的一个通道为参考通道，其余n条为辅助通道，c_ref(t)和c_i(t)分别为参考通道和第i条辅助通道的固有时域脉冲响应，C_ref(jω)和C_i(jω)(i＝1，2，…，n)分别为参考通道和第i条辅助通道的频域传递函数，每个通道中包括漏磁传感器、放大器、低通滤波器和A/D转换器，第i条辅助通道和参考通道的输入信号均为d(t)，第i条辅助通道和参考通道的输出信号分别为信号x_i(t)(i＝1，2，…，n)和y_ref(t)，且分别满足式(1)和式(2)；

步骤6-2：为了保证n+1条通道的每个传递函数均能完好的配对，采用窗函数法均衡滤波器进行滤波，H_ref(jω)是具有线性相位响应的全通滤波器，要保证通过参考通道的延迟量与通过辅助通道的延迟量相同，即输出信号等效，如式(3)和式(4)所示；

C_ref(jω)×H_ref(jω)＝H_i(jω)×C_i(jω)，i＝1，2，…，n (3)

其中，H_i(jω)表示第i条通道所需的均衡化传递函数；

则第i条通道所需的均衡化传递函数H_i(jω)为式(5)；

第N个滤波器的传递函数由式(6)表示：

其中，h_k表示权重系数；

定义a(ω)＝[1，e^-jω，…，e^-jω(N-1)]^T和h＝[h₁，h₂，…，h_N]^T，a(幼和h均为N×1向量，a^T(ω)ha^T(ω)h的结果为自适应均衡化后的频率响应。

选择权重系数向量h使得向量规范γ最小，向量规范γ表示理想滤波器响应与实际获得的响应之间的最小平方差，用式(7)表示；

其中，a(ω_z)表示同一里程点数、不同通道的电压量组成的向量；W_z表示对角权重矩阵，和在不同频率下的需求与拟合精度关，是一个加权矩阵；ω_z表示第z个里程点，H(jω_z)表示同一里程点数、不同通道所需的均衡化传递函数组成的向量；

为达到更好的均衡效果，将式(7)进行优化，得到式(8)；

通过对采样后的y_ref和x_i序列进行M点离散傅里叶变换即DFT，得到均衡器所需的响应值如式(9)；

用H_i(jω)替代则

式中，m为需要均衡化的带宽采样点数量；

设置频率响应H_ref(jω)作为均衡化效果好坏的标准，频率响应H_i(jω)的不匹配特性如式(11)所示，

其中，D(jω)表示频率响应H_i(jω)的不匹配特性，ΔH(jω)表示幅度不匹配性，Δφ(ω)表示相位不匹配性；

定义通道的幅度不匹配和相位不匹配分别为为式(12)和式(13)。

步骤7：用基于连通域的方法对步骤6输出的非管道部件漏磁信号进行多通道信号区域分类，分为无缺陷区域、小波动区域和大缺陷区域，本实施例多通道数据分类流程如图9所示，具体步骤如下：

步骤7-1：将海量非管道部件漏磁信号数据进行数据分割，分区域进行处理，分别对每区域漏磁信号数据利用求中值乘系数θ₂(θ₂＞1)的方法自动计算自适应区域阈值λ₃，λ₃用于区分该漏磁信号区域是否含有缺陷，如果区域阈值λ₃为0，则该漏磁信号区域为无缺陷区域，记为ψ₄，如果区域阈值λ₃为1，则该漏磁信号区域为疑似有缺陷的区域，记为ψ₄′；

步骤7-2：对疑似有缺陷的区域ψ₄′进行区域扩展，在扩展后的区域中寻找信号波谷值与波峰值，再求最大波谷差，然后根据机器学习得到小缺陷信号的峰谷差即自适应区域阈值λ₄，λ₄用于判断疑似有缺陷的漏磁信号区域的波动情况，如果区域阈值λ₄为0，则该漏磁信号区域为小波动区域，记为ψ₅，如果区域阈值λ₄为1，则该漏磁信号区域为大缺陷区域，记为ψ₆；

步骤7-3：当该管道的全部非管道部件漏磁信号处理完毕后，信号段间会出现重叠现象，需重新标定，将ψ₅与ψ₄重叠部分归为ψ₅，将ψ₆与ψ₄重叠部分归为ψ₆，将ψ₆与ψ₅重叠部分归为ψ₆；

步骤7-4：判断是否所有管道均完成漏磁信号区域分类处理，若没有完成，则返回步骤7-1至步骤7-4，对下一管道进行漏磁信号区域分类处理，若完成，则执行步骤8。

步骤8：对步骤7中不同的信号区域采取相应的滤波算法进行面滤波，本实施例多通道自适应滤波算法如图10所示，具体步骤如下：

步骤8-1：对无缺陷区域ψ₄进行面滤波；

当使用中值滤波时，信号幅度会大幅度减小，同时均值滤波最大的特点就是使信号更加平滑；

因此对于ψ₄，先通过中值滤波算法对幅值进行削减，再通过均值滤波平滑曲线，通过选取合适的参数，使两种方法完美的结合在一起，进行无缺陷区域混合滤波算法；

步骤8-2：对小波动区域ψ₅进行面滤波；

若为噪声信号，应达到削减其幅值，类似于处理不含有缺陷的信号的效果，若为小缺陷做应保证平滑信号地情况下使其幅度稍微增大，即图像增强；高斯滤波的特点为能对信号数据进行能量转化，能量低的就排除掉，噪声属于低能量部分，完美的避免了对缺陷信号的失真，与噪声信号能量的衰减；巴特沃斯滤波最大的特点就曲线最大限度平坦，没有起伏；

因此对于ψ₅，先通过高斯滤波算法对小缺陷区域漏磁信号进行滤波，实现去噪与尽可能大的使缺陷信号不失真，再通过巴特沃斯滤波算法对幅值进行进一步平滑，以及实现缺陷信号的图像增强，通过选取合适的参数，使两种方法完美的结合在一起，进行小波动区域混合滤波算法；

步骤8-3：对大缺陷区域ψ₆进行面滤波；

小波包滤波方法能同时在时、频域内对信号进行分析，能有效的区分信号中的缺陷信号和噪声，从而完成含有较大缺陷信号的去噪。高斯滤波可显著提高信噪比，可使信号波形平滑，且失真较小；

因此对于ψ₆，先通过高斯滤波算法对大缺陷区域漏磁信号进行滤波，再通过小波包滤波算法对幅值进行进一步平滑，通过选取合适的参数，使两种方法完美的结合在一起，进行大缺陷区域混合滤波算法，最终实现在有用信号损失最小的情况下的漏磁信号滤波处理。

本实施例提供一种管道漏磁内检测器数据的自适应滤波方法，一方面在滤波前对漏磁异常数据进行了查找、剔除与补偿，减轻了滤波负担；另一方面对漏磁数据进行了线滤波和面滤波的结合，滤波失真小，效果理想，滤波的同时能更多地保留有用信息。其中，针对漏磁数据特点，能实现海量漏磁数据区域的划分，有效提高漏磁数据区域划分的准确性和智能化；并能实现漏磁信号多通道均衡化，提高测试设备的使用性能，更加易于缺陷特征提取和定位估测水平；针对不同漏磁数据区域的特点，再结合多种经典滤波算法的特点，提出基于漏磁内检测器的自适应单通道滤波方法和多通道滤波方法，从而快速、精准地完成大数据预处理功能，管道寿命预测准确，管道故障诊断时方便特征提取，滤波效果明显。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (2)

1.一种管道漏磁内检测器数据的自适应滤波方法，其特征在于，包括以下步骤：

步骤1：利用管道内检测器装置采集漏磁信号，进行放大处理后存储，并将其转化为电压信号，进行基值校正缩放复原，再进一步转换为实际数字电压信号；

步骤2：用改进的平均中值校正方法对步骤1输出的数字电压信号进行基线校正，具体步骤如下：

步骤2-1：将可能存在的缺陷信号去除掉，允许去除掉比缺陷信号范围更大的信号数据，尽可能只保留无缺陷处的表示磁场强度的漏磁信号数据；

步骤2-2：按公式对轴向漏磁信号进行基线校正，得到校正后的轴向漏磁信号矩阵X∈R^p×q，其中，q为管道内检测器中的轴向霍尔传感器个数，p为每个霍尔传感器的数据总里程点数，V_v(u)′为第v个霍尔传感器在第u个里程点处检测到的校正后的电压值，V_v(u)为第v个霍尔传感器在第u个里程点处检测到的校正前的电压值，V_v为第v个霍尔传感器检测到的p个电压值的中值；

步骤3：用变尺度窗插值拟合算法对步骤2输出的漏磁信号进行异常数据的查找、剔除和补偿，具体步骤如下：

步骤3-1：读取基线校正后的单通道漏磁数据，设计1×g的变尺度滑动窗，g为滑动窗的宽度；

步骤3-2：将滑动窗从单通道漏磁数据首端到数据末端进行滑动，通过滑动窗中的数据差值拟合出下一点，将这个点再和实际的点进行比较得到差值，将该差值和预设阈值进行比较，如果差值比预设阈值大，则判定为是异常点，反之，则为正常点；

步骤3-3：如果单通道漏磁数据本身存在很多异常点，则会记录很多的离散异常点，若这些异常点离得很近，则认为其间的数据有可能也无效，需要对所有的离散异常点进行重组；对数据进行邻近插值计算，如果两个异常点之间数据少于两个，则将其合并为一段，反之，则不进行重组；

步骤3-4：利用三次样条插值对异常数据进行补偿，输出补偿后的漏磁信号；

步骤4：用基于阈值的方法对步骤3输出的漏磁信号进行单通道信号分类，将其中的非管道部件漏磁信号分为无缺陷信号、小波动信号和大缺陷信号，具体步骤如下：

步骤4-1：设漏磁信号峰值阈值为σ，若某通道漏磁信号峰值超过σ，则该通道内的对应位置为焊缝，并向左右两边的数据各扩充一个宽度ε，为该管道的管道部件漏测信号，剩余的数据为非管道部件漏磁信号；

步骤4-2：将海量非管道部件漏磁信号数据进行数据分割，分段进行处理，分别对每组数据利用求中值乘系数θ₁(θ₁＞1)的方法自动计算自适应阈值λ₁，λ₁用于区分漏磁信号是否含缺陷，如果非管道部件漏磁信号数据没有超过阈值λ1_，则该漏磁信号数据是无缺陷漏磁信号，记为ψ₁，如果非管道部件漏磁信号数据超过阈值λ₁，则该漏磁信号数据是疑似有缺陷的漏磁信号，记为ψ₁′；

步骤4-3：对疑似有缺陷的漏磁信号ψ₁′进行信号段扩展，在扩展后的信号段中寻找波谷值与波峰值，再求最大波谷差，然后根据机器学习得到小缺陷信号的峰谷差，即自适应阈值λ₂，λ₂用于判断疑似有缺陷的漏磁信号的波动情况，如果扩展后的信号段中的漏磁信号数据没有超过λ₂，则该漏磁信号数据是小波动信号，记为ψ₂，如果扩展后的信号段中的漏磁信号数据超过λ₂，则该漏磁信号数据是大缺陷信号，记为ψ₃；

步骤4-4：当该管道的全部非管道部件漏磁信号分类处理完毕后，信号段间会出现重叠现象，需重新标定，将ψ₂与ψ₁重叠部分归为ψ₂，将ψ₃与ψ₁重叠部分归为ψ₃，将ψ₃与ψ₂重叠部分归为ψ₃；

步骤4-5：判断是否所有管道均完成漏磁信号分类处理，若没有完成，则返回步骤4-1至步骤4-4，对下一管道进行漏磁信号分类处理，若完成，则执行步骤5；

步骤5：对步骤4中不同的信号类别采取相应的自适应滤波算法进行线滤波，具体步骤如下：

步骤5-1：对无缺陷漏磁信号ψ₁进行线滤波，先通过FFT滤波算法进行粗滤波，直接进行高频段噪声的剔除，再通过中值滤波算法对幅值进行进一步削减，最后通过平滑均值滤波平滑漏磁信号，进行无缺陷信号混合滤波；

步骤5-2：对小波动信号ψ₂进行线滤波，先通过等纹低通滤波算法对缺陷信号进行滤波，再通过贝塞尔滤波算法对幅值进行进一步平滑，进行小波动信号混合滤波；

步骤5-3：对大缺陷信号ψ₃进行线滤波，先通过窗函数法滤波算法对缺陷信号进行滤波，再通过小波滤波算法对幅值进行进一步平滑，进行大缺陷信号混合滤波；

步骤6：通过对比和分析相邻通道间噪声影响的程度，进行漏磁信号多通道均衡化；

步骤7：用基于连通域的方法对步骤6输出的非管道部件漏磁信号进行多通道信号区域分类，分为无缺陷区域、小波动区域和大缺陷区域，具体步骤如下：

步骤7-1：将海量非管道部件漏磁信号数据进行数据分割，分区域进行处理，分别对每区域漏磁信号数据利用求中值乘系数θ₂(θ₂＞1)的方法自动计算自适应区域阈值λ₃，λ₃用于区分该漏磁信号区域是否含有缺陷，如果区域阈值λ₃为0，则该漏磁信号区域为无缺陷区域，记为ψ₄，如果区域阈值λ₃为1，则该漏磁信号区域为疑似有缺陷的区域，记为ψ₄′；

步骤7-2：对疑似有缺陷的区域ψ₆′进行区域扩展，在扩展后的区域中寻找信号波谷值与波峰值，再求最大波谷差，然后根据机器学习得到小缺陷信号的峰谷差即自适应区域阈值λ₄，λ₄用于判断疑似有缺陷的漏磁信号区域的波动情况，如果区域阈值λ₄为0，则该漏磁信号区域为小波动区域，记为ψ₅，如果区域阈值λ₄为1，则该漏磁信号区域为大缺陷区域，记为ψ₆；

步骤7-3：当该管道的全部非管道部件漏磁信号处理完毕后，信号段间会出现重叠现象，需重新标定，将ψ₅与ψ₆重叠部分归为ψ₅，将ψ₆与ψ₄重叠部分归为ψ₆，将ψ₆与ψ₅重叠部分归为ψ₆；

步骤7-4：判断是否所有管道均完成漏磁信号区域分类处理，若没有完成，则返回步骤7-1至步骤7-4，对下一管道进行漏磁信号区域分类处理，若完成，则执行步骤8；

步骤8：对步骤7中不同的信号区域采取相应的滤波算法进行面滤波，具体步骤如下：

步骤8-1：对无缺陷区域ψ₄进行面滤波，先通过中值滤波算法对幅值进行削减，再通过均值滤波平滑曲线，进行无缺陷区域混合滤波；

步骤8-2：对小波动区域ψ₅进行面滤波，先通过高斯滤波算法对小缺陷区域漏磁信号进行滤波，实现去噪与尽可能大的使缺陷信号不失真，再通过巴特沃斯滤波算法对幅值进行进一步平滑，达到缺陷信号图像增强的效果，进行小波动区域混合滤波；

步骤8-3：对大缺陷区域ψ₆进行面滤波，先通过高斯滤波算法对大缺陷区域漏磁信号进行滤波，再通过小波包滤波算法对幅值进行进一步平滑，进行大缺陷区域混合滤波。

2.根据权利要求1所述的一种管道漏磁内检测器数据的自适应滤波方法，其特征在于，所述步骤6的漏磁信号多通道均衡化，具体包括以下步骤：

步骤6-1：选择管道系统n+1条通道中的一个通道为参考通道，其余n条为辅助通道，c_ref(t)和c_i(t)分别为参考通道和第i条辅助通道的固有时域脉冲响应，C_ref(jω)和C_i(jω)分别为参考通道和第i条辅助通道的频域传递函数，其中，i＝1，2，…，n，辅助通道和参考通道的输入信号均为d(t)，第i条辅助通道和参考通道的输出信号分别为信号x_i(t)和y_ref(t)，且分别满足式(1)和式(2)；

$x_i\left(t\right)=d\left(t\right)\⊗c_i\left(t\right),i=1,2,...,n---\left(1\right)$

$y_{ref}\left(t\right)=d\left(t\right)\⊗c_{ref}\left(t\right)---\left(2\right)$

步骤6-2：采用窗函数法均衡滤波器进行滤波，使n+1条通道的每个传递函数均能完好的配对，保证通过参考通道的延迟量与通过辅助通道的延迟量相同，即输出信号等效，如式(3)和式(4)所示；

C_ref(jω)×H_ref(jω)＝H_i(jω)×C_i(jω)，i＝1，2，…，n (3)

$C_{ref}\left(j\mathrm{\ω}\right)\×H_{ref}\left(j\mathrm{\ω}\right)=\frac{DFT\left(y_{ref}\right)}{DFT\left(d\right)}---\left(4\right)$

其中，H_ref(jω)是具有线性相位响应的全通滤波器的传递函数，H_i(jω)表示第i条通道所需的均衡化传递函数；

则第i条通道所需的均衡化传递函数H_i(jω)为式(5)；

$H_i\left(j\mathrm{\ω}\right)=\frac{C_{ref}\left(j\mathrm{\ω}\right)}{C_i\left(j\mathrm{\ω}\right)}{H}_{ref}\left(j\mathrm{\ω}\right)---\left(5\right)$

第N个滤波器的传递函数由式(6)表示；

$H\left(j\mathrm{\ω}\right)=\underset{k=1}{\overset{N}{\Σ}}{h}_k\exp \[-j\mathrm{\ω}(k-1)\]---\left(6\right)$

其中，h_k表示权重系数；

定义a(ω)＝[1，e^-jω，…，e^-jω(N-1)]^T和h＝[h₁，h₂，…，h_N]^T，a(幼和h均为N×1向量，a^T(ω)h的结果为自适应均衡化后的频率响应；

选择权重系数向量h使得向量规范γ最小，向量规范γ表示理想滤波器响应与实际获得的响应之间的最小平方差，用式(7)表示；

$\mathrm{\γ}=\underset{z=1}{\overset{M}{\Σ}}\left|\right|W_z\[a^T\left({\mathrm{\ω}}_z\right)h-H\left({\mathrm{j\ω}}_z\right)\]|{|}^2---\left(7\right)$

其中，a(ω_z)表示同一里程点数、不同通道的电压量组成的向量；W_z表示对角权重矩阵，是一个加权矩阵；ω_z表示第z个里程点，H(jω_z)表示同一里程点数、不同通道所需的均衡化传递函数组成的向量。